Fugu-MT 論文翻訳(概要): Hyperspectral and LiDAR data classification based on linear self-attention

論文の概要: Hyperspectral and LiDAR data classification based on linear self-attention

arxiv url: http://arxiv.org/abs/2104.02301v1
Date: Tue, 6 Apr 2021 05:57:41 GMT
ステータス: 処理完了
システム内更新日: 2021-04-07 20:09:53.183969
Title: Hyperspectral and LiDAR data classification based on linear self-attention
Title（参考訳）: 線形自己注意に基づくハイパースペクトルとLiDARデータ分類
Authors: Min Feng, Feng Gao, Jian Fang, Junyu Dong
Abstract要約: ハイパースペクトル画像(HSI)とLiDARデータ共同分類のタスクに対して,効率的な線形自己アテンション融合モデルを提案する。提案されたモデルはヒューストンデータセットで95.40%の精度を達成した。
参考スコア（独自算出の注目度）: 23.199857032603802
License: http://creativecommons.org/licenses/by/4.0/
Abstract: An efficient linear self-attention fusion model is proposed in this paper for the task of hyperspectral image (HSI) and LiDAR data joint classification. The proposed method is comprised of a feature extraction module, an attention module, and a fusion module. The attention module is a plug-and-play linear self-attention module that can be extensively used in any model. The proposed model has achieved the overall accuracy of 95.40\% on the Houston dataset. The experimental results demonstrate the superiority of the proposed method over other state-of-the-art models.
Abstract（参考訳）: 本稿では,高スペクトル画像(HSI)とLiDARデータ共同分類のための効率的な線形自己注意融合モデルを提案する。提案手法は,特徴抽出モジュール,注目モジュール,および融合モジュールから構成される。注目モジュールは、任意のモデルで広く使用できる、プラグアンドプレイの線形自己注意モジュールである。提案したモデルはヒューストンデータセットで95.40\%の精度を達成した。実験結果は,提案手法が他の最先端モデルよりも優れていることを示す。

関連論文リスト

Influence Functions for Scalable Data Attribution in Diffusion Models [52.92223039302037]
拡散モデルは、生成的モデリングに大きな進歩をもたらした。しかし、彼らの普及はデータ属性と解釈可能性に関する課題を引き起こす。本稿では,テキスト・インフルエンス・ファンクション・フレームワークを開発することにより,このような課題に対処することを目的とする。
論文参考訳（メタデータ） (2024-10-17T17:59:02Z)
SMILE: Zero-Shot Sparse Mixture of Low-Rank Experts Construction From Pre-Trained Foundation Models [85.67096251281191]
我々は、ゼロショットスパースミクチャー(SMILE)と呼ばれるモデル融合に対する革新的なアプローチを提案する。 SMILEは、余分なデータやさらなるトレーニングなしに、ソースモデルをMoEモデルにアップスケーリングできる。画像分類やテキスト生成タスクなど,さまざまなシナリオに対して,フル微調整とLoRA微調整を用いて広範な実験を行う。
論文参考訳（メタデータ） (2024-08-19T17:32:15Z)
EMR-Merging: Tuning-Free High-Performance Model Merging [55.03509900949149]
Elect, Mask & Rescale-Merging (EMR-Merging) は既存のマージ手法と比較して優れた性能を示した。 EMR-Mergingはチューニング不要なので、データアベイラビリティや追加のトレーニングは必要ありません。
論文参考訳（メタデータ） (2024-05-23T05:25:45Z)
Stable Training of Probabilistic Models Using the Leave-One-Out Maximum Log-Likelihood Objective [0.7373617024876725]
カーネル密度推定(KDE)に基づくモデルは、このタスクの一般的な選択であるが、密度の異なるデータ領域に適応できない。適応的なKDEモデルを用いてこれを回避し、モデル内の各カーネルは個別の帯域幅を持つ。最適化速度を確実に高速化するために改良された期待最大化アルゴリズムを用いる。
論文参考訳（メタデータ） (2023-10-05T14:08:42Z)
SLEM: Machine Learning for Path Modeling and Causal Inference with Super Learner Equation Modeling [3.988614978933934]
因果推論は科学の重要な目標であり、研究者は観測データを使って意味のある結論に達することができる。経路モデル、構造方程式モデル(SEM)および指向非巡回グラフ(DAG)は、現象の根底にある因果構造に関する仮定を明確に特定する手段を提供する。本稿では,機械学習のスーパーラーナーアンサンブルを統合したパスモデリング手法であるSuper Learner Equation Modelingを提案する。
論文参考訳（メタデータ） (2023-08-08T16:04:42Z)
R-Cut: Enhancing Explainability in Vision Transformers with Relationship Weighted Out and Cut [14.382326829600283]
リレーションウェイトアウト」と「カット」の2つのモジュールを紹介します。 Cut"モジュールは、位置、テクスチャ、色などの要素を考慮して、きめ細かい特徴分解を行う。我々は,ImageNetデータセット上で定性的かつ定量的な実験を行い,本手法の有効性を検証した。
論文参考訳（メタデータ） (2023-07-18T08:03:51Z)
KAM -- a Kernel Attention Module for Emotion Classification with EEG Data [0.0]
ニューラルネットワークを用いた脳波に基づく感情分類のタスクに対して,カーネルアテンションモジュールが提案される。提案モジュールはカーネルトリックを実行することで自己保持機構を利用する。モデルの平均予測精度は15被験者で1%以上向上することが示されている。
論文参考訳（メタデータ） (2022-08-17T09:02:09Z)
A Data-Driven Approach for Linear and Nonlinear Damage Detection Using Variational Mode Decomposition and GARCH Model [13.183011809131235]
信号処理と特徴抽出のための変分モード分解(VMD)と一般化された自己回帰条件不整合性(GARCH)モデルをデプロイする。提案手法の性能を線形および非線形損傷評価の2つの実験モデルで評価した。
論文参考訳（メタデータ） (2021-11-16T17:01:26Z)
Momentum Pseudo-Labeling for Semi-Supervised Speech Recognition [55.362258027878966]
本稿では,半教師付き音声認識のための簡易かつ効果的な手法として,モーメント擬似ラベル(MPL)を提案する。 MPLは、平均的な教師メソッドにインスパイアされて、相互に相互作用し、学習するオンラインとオフラインの2つのモデルで構成されている。実験の結果,MPLはベースモデルよりも効果的に改善され,様々な半教師付きシナリオに拡張可能であることが示された。
論文参考訳（メタデータ） (2021-06-16T16:24:55Z)
Evaluating the Disentanglement of Deep Generative Models through Manifold Topology [66.06153115971732]
本稿では,生成モデルのみを用いた乱れの定量化手法を提案する。複数のデータセットにまたがるいくつかの最先端モデルを実証的に評価する。
論文参考訳（メタデータ） (2020-06-05T20:54:11Z)
Learning Bijective Feature Maps for Linear ICA [73.85904548374575]
画像データに適した既存の確率的深層生成モデル (DGM) は, 非線形ICAタスクでは不十分であることを示す。そこで本研究では,2次元特徴写像と線形ICAモデルを組み合わせることで,高次元データに対する解釈可能な潜在構造を学習するDGMを提案する。画像上のフローベースモデルや線形ICA、変分オートエンコーダよりも、高速に収束し、訓練が容易なモデルを作成し、教師なしの潜在因子発見を実現する。
論文参考訳（メタデータ） (2020-02-18T17:58:07Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。